MétaCan
Menu
Retour à la cohorte
Enregistrement W2221561002 · doi:10.15586/jkcvhl.2015.43

The Role of Everolimus in Renal Cell Carcinoma

2015· review· en· W2221561002 sur OpenAlexaff
Malek Meskawi, Roger Valdivieso, Paolo Dell’Oglio, Vincent Trudeau, Alessandro Larcher, Pierre I. Karakiewicz

Notice bibliographique

RevueJournal of Kidney Cancer and VHL · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueRenal cell carcinoma treatment
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésEverolimusSunitinibNivolumabRenal cell carcinomaMedicineCabozantinibOncologyTyrosine-kinase inhibitorInternal medicineTyrosine kinasePharmacologyCancerImmunotherapyReceptor

Résumé

récupéré en direct d'OpenAlex

Everolimus (RAD001) is an orally administered agent that inhibits the mammalian target of rapamycin serine-threonine kinase. A phase III pivotal trial on everolimus, published in 2008, provided the first evidence for the efficacy of sequential therapy for patients with metastatic clear cell renal cell carcinoma (RCC). In this study, everolimus was used after failure of one or several previous lines of therapy, and it demonstrated a 3-month survival benefit relative to placebo. Currently, based on the level 1 evidence, everolimus represents the molecule of choice for third-line therapy after failure of previous two tyrosine kinase inhibitors (TKIs). However, second-line use after failure of one TKI is challenged by two new molecules (nivolumab and cabozantinib), which proved to have better efficacy with similar toxicity profile. In non-clear cell metastatic RCC, the current evidence recommends everolimus as a second-line therapy after failure of previous first-line sunitinib.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,976
Score d'incertitude au seuil0,776

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,038
Tête enseignante GPT0,327
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Kidney Cancer and VHLMême sujetRenal cell carcinoma treatmentTravaux en français237 207